أصبح تطوير نماذج التعلم الآلي الفعّالة لتمثيل الأنظمة الجزيئية أمرًا بالغ الأهمية في الأبحاث العلمية. نقدّم "TensorNet"، وهي بنية مبتكرة لشبكة عصبية تعتمد على تمرير الرسائل وتحافظ على التكافؤ بالنسبة لمجموعة O(3)، وتستفيد من تمثيلات المتجهات الديكارتية. من خلال استخدام تضمينات ذرية على شكل تماثيل ديكارتية، يتم تبسيط عملية خلط الميزات باستخدام عمليات ضرب المصفوفات. علاوة على ذلك، يتيح التحليل الفعّال من حيث التكلفة لهذه التماثيل إلى تمثيلات غير قابلة للتبديل لمجموعة الدوران إمكانية معالجة المقادير القياسية، والمتجهات، والتماثيل بشكل منفصل عند الحاجة. مقارنةً بالنماذج ذات التماثيل الكروية من الرتبة الأعلى، تُظهر TensorNet أداءً يُعدّ من أفضل الأداءات الحالية مع عدد أقل بشكل كبير من المعاملات. ويمكن تحقيق ذلك حتى باستخدام طبقة تفاعل واحدة في حالة طاقات الجزيئات الصغيرة. وبسبب جميع هذه الخصائص، ينخفض بشكل كبير التكلفة الحسابية للنموذج. علاوة على ذلك، أصبح من الممكن التنبؤ بدقة بكميات جزيئية متجهة وتماثيلية على أساس الطاقات والقوى. في الخلاصة، يفتح إطار TensorNet فضاءً جديداً لتصميم نماذج متميزة تحافظ على التكافؤ.